Метод генерации тестового множества для отладки нейросетевых систем поддержки принятия решений, основанных на трёхслойных персептронах

• Автор: Кузьмин, Алексей Константинович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Саратов
• Количество страниц: 186 с. : ил.

ВВЕДЕНИЕ
Методы обработки экспертной информации, положенные в основу систем поддержки принятия решений (СПИР), в настоящее время приобретают все большее распространение [1]. В слабоструктурированных задачах тенденцией последних лет стало активное использование интеллектуальных СГІГІР, использующих в качестве механизма принятия решений и обработки экспертной информации нейронную сеть [2].
К большинству существующих нейросетевых СППР предъявляются повышенные требования к корректности функционирования, поэтому существенное значение приобретает процесс отладки, в котором проверяется компетентность системы, то есть соответствие поставленных целей и генерируемых решений, а также исправление обнаруженных ошибок. С точки зрения выявления ошибок наиболее эффективным методом отладки является тестирование, т.е. выполнение системы на тестовом множестве, состоящем из известных входных и выходных данных [3J.
Тестовое множество должно включать такие примеры, которые обнаруживают наибольшее количество ошибок, и результат процесса тестирования определяется эффективностью методов создания тестового множества. В настоящее время широко используется подход, основанный па использовании определённого подмножества имеющихся примеров предметной области, которое не используется для обучения нейросетевого механизма (работы Цисиль-ского В. |4], Жу Дж. [5], Балашубраманиана М., Паланивела Д. и Рамалинга-ма А. [6]. Ребровой 0.10. [7], Ишанова O.A. [8|). В случае недостатка имеющихся примеров часто применяется экспертная генерация тестовых данных, при которой эксперт пытается сгенерировать такие примеры, которые могут вызвать ошибку СППР. Таким образом проводилась отладка экспертных систем
«Carbonate detector», комплекса экспертных систем для управления техническими объектами проекта NASA Applied Information Systems Research Program [9], нейросетсвых СПИР обнаружения ошибок операторов производственного оборудования |10|, разработанных в Nova Southeastern University. Во всех вышеперечисленных случаях отсутствовала гарантия того, что сгенерированное тестовое множество обладает высокой обнаруживающей способностью. Основная проблема заключается в том, что эксперту трудно вспомнить и учесть особенности предметной облас ти из-за сё высокой сложности.
Поспеловым Д.А. показано, что большинство предметных областей характеризуются наличием исключительных ситуаций, не подчиняющихся общим закономерностям, и если такие ситуации не будут учтены экспертом при разработке интеллектуальной СППР, то последняя будет выдавать на них ошибочный результат 11 1J. Ошибки такого типа являются наиболее сложными для обнаружения. В литературе описан разработанный Долининой О.Н. метод автоматизированного построения тестовых наборов, обнаруживающих ошибки, связанные с исключениями из закономерностей предметной области, для продукционных GUI IP 13 J. Описание подобных методов для пейросетевых СППР в литературе отсутствует.
Современная нейроинформатика располагает большим количеством нейросетсвых моделей, однако наибольшее распространение получила модель трёхслойного персептрона, являющаяся развитием модели иерсептрона Розен-блатта 1121. Эю связано с тем фактом, что большая часть прикладных задач
может быть формализована как классификация входных векторов л:/, л» х„ по
т выходным классам о/, о; о„„ для решения которых применяются такие системы принятия решений, как многослойные персептроны.
С другой стороны, ряд исследований, в том числе работы Мороз А.П. [13], Березина В.Л. [14], Болотина В.В. [15], посвящены важной для народного
хозяйства технической задаче обнаружения неисправностей газоперекачивающих агрегатов с газотурбинным приводом [16]. Показано, что проблема характеризуется высокой сложностью технического объекта [17], а также наличием весьма сложных неявных зависимостей между причинами и видами неисправностей. Всё по делает невозможным применение для решения задачи универсальных решений, а при использовании методов искусственного интеллекта возникает необходимость учёта наличия большого количества исключений в предметной области.
Таким образом, актуальной является разработка метода автоматизированной генерации тестов, способных обнаруживать ошибки, связанные с исключениями предметной области для нейросетевых СППР, основанных на трёхслойных перссчпропах.
Объект исследования
Объектом исследования являются методы обработки экспертной информации, представляемой нейросетевыми моделями; методы выявления ошибок в экспертной информации.
Предмет исследования
Предметом исследования является метод генерации тестов для отладки нейросетевых СППР, основанных на трёхслойных персептронах.
Цель работы
Разрабо!ка эффективного с точки зрения количества тестов метода построения тестовых данных, обнаруживающих ошибки типа «забывание об исключении» для нейросетевых СППР, основанных на трёхслойных персептронах.
Задачи работы
Для достижения вышепоставленной цели необходимо решить следующие задачи:

пертной информации, которая извлекается нейронной сетью из обучающего множества и формализуется в виде множества весовых коэффициентов связей между нейронами. Отметим, что в настоящее время в нейроинформатике разработаны и апробированы методы и алгоритмы, позволяющие делать информационные структуры нейронных сетей логически прозрачными путём применения к ним специальных техник извлечения экспертной информации. Таким образом, современные нейросетевые технологии дают возможность синтеза новой экспертной информации о предметной области на основе данных обучающего множества. Данный процесс схематично отражён на рис. 1.7. Изначально закономерности предметной области не выявлены, не формализованы и инкапсулированы в обучающем множестве нейросетевой СППР. Нейронная сеть в ходе процесса машинного обучения формализует данные закономерности в виде множества коэффициентов связей между нейронами. Применение к информационной структуре обученной нейронной сети алгоритмов извлечения экспертной информации даёт возможность получить экспертную информацию в явном виде.
Рисунок 1.7 - Процесс преобразования данных обучающего множества в нейросетевую информационную структуру и экспертную информацию